实战四：基于PyTorch实现猫狗分类的web应用【2/3】

一、需求描述

实战四分为三部分来实现，第二部分是基于PyTorch的猫狗图像可视化训练的教程，实现了一个完整的猫狗分类模型训练流程，使用预训练的ResNet50模型进行迁移学习，并通过SwanLab进行实验跟踪。

效果图

二、实现思路

总体思路

导入和初始化配置：设置训练超参数（学习率、批次大小、训练轮数等）；
加载数据集：读取自定义数据集，并设置数据加载器；
模型构建：加载预训练的ResNet50模型，并修改全连接层适配二分类任务；
训练配置：定义交叉熵损失函数，设置Adam优化器；
模型训练：循环遍历训练轮次，在每轮次遍历每个批次的数据，并实时打印训练进度及记录损失值到SwanLab。

2.1 导入和初始化配置

import swanlab
num_epochs=20
lr=1e-4
batch_size=8
num_classes=2
device="cuda"swanlab.init(experiment_name="模型训练实验",description="猫狗分类",mode="local",config={"model":"resnet50","optim":"Adam","lr":lr,"batch_size":batch_size,"num_epochs":num_epochs,"num_class":num_classes,"device":device,}
)

import swanlab - 导入SwanLab库，用于实验跟踪和可视化
num_epochs=20 - 设置训练轮数为20轮
lr=1e-4 - 设置学习率为0.0001
batch_size=8 - 设置批次大小为8
num_classes=2 - 设置分类类别数为2（猫和狗）
device="cuda" - 设置使用GPU进行训练
swanlab.init() - 初始化SwanLab实验，记录实验配置参数

2.2 加载数据集

import readDataset
from torch.utils.data import DataLoader
train_dataset=readDataset.DatasetLoader(readDataset.ds_train)
train_loader=(DataLoader(train_dataset,batch_size=batch_size,shuffle=True))

import readDataset - 导入自定义的数据集读取模块
from torch.utils.data import DataLoader - 导入PyTorch的数据加载器
train_dataset=readDataset.DatasetLoader(readDataset.ds_train) - 创建训练数据集对象
train_loader=(DataLoader(train_dataset,batch_size=batch_size,shuffle=True)) - 创建数据加载器，设置批次大小并启用随机打乱

2.3 模型构建

import torch
import torchvision
from torchvision.models import ResNet50_Weightsmodel=torchvision.models.resnet50(weights=ResNet50_Weights.IMAGENET1K_V2)
in_features=model.fc.in_features
model.fc=torch.nn.Linear(in_features,num_classes)
model.to(device)

import torch - 导入PyTorch深度学习框架
import torchvision - 导入计算机视觉库
from torchvision.models import ResNet50_Weights - 导入ResNet50预训练权重
model=torchvision.models.resnet50(weights=ResNet50_Weights.IMAGENET1K_V2) - 加载预训练的ResNet50模型
in_features=model.fc.in_features - 获取全连接层的输入特征数
model.fc=torch.nn.Linear(in_features,num_classes) - 替换最后的全连接层，输出类别数为2
model.to(device) - 将模型移动到GPU设备

2.4 训练配置

criterion=torch.nn.CrossEntropyLoss()
optimizer=torch.optim.Adam(model.parameters(),lr=lr)

criterion=torch.nn.CrossEntropyLoss() - 定义交叉熵损失函数，适用于多分类问题
optimizer=torch.optim.Adam(model.parameters(),lr=lr) - 定义Adam优化器，设置学习率

2.5 模型训练

for epoch in range(num_epochs):model.train()for iter,(inputs,labels) in enumerate(train_loader):inputs,labels=inputs.to(device),labels.to(device)optimizer.zero_grad()outputs=model(inputs)loss=criterion(outputs,labels)loss.backward()optimizer.step()print('Epoch[{}/{}],Iteration[{}/{}],Loss:{:.4f}'.format(epoch+1,num_epochs,iter+1,len(train_loader),loss.item()))swanlab.log({"train_loss":loss.item()})

for epoch in range(num_epochs): - 外层循环，遍历每个训练轮次
model.train() - 设置模型为训练模式
for iter,(inputs,labels) in enumerate(train_loader): - 内层循环，遍历每个批次的数据
inputs,labels=inputs.to(device),labels.to(device) - 将输入数据和标签移动到GPU
optimizer.zero_grad() - 清空梯度
outputs=model(inputs) - 前向传播，获取模型预测结果
loss=criterion(outputs,labels) - 计算损失
loss.backward() - 反向传播，计算梯度
optimizer.step() - 更新模型参数
print(...) - 打印训练进度和损失值
swanlab.log({"train_loss":loss.item()}) - 记录损失值到SwanLab实验跟踪系统

三、完整代码

import swanlab
num_epochs=20
lr=1e-4
batch_size=8
num_classes=2
device="cuda"swanlab.init(experiment_name="模型训练实验",description="猫狗分类",mode="local",config={"model":"resnet50","optim":"Adam","lr":lr,"batch_size":batch_size,"num_epochs":num_epochs,"num_class":num_classes,"device":device,}
)import readDataset
from torch.utils.data import DataLoader
train_dataset=readDataset.DatasetLoader(readDataset.ds_train)
train_loader=(DataLoader(train_dataset,batch_size=batch_size,shuffle=True))import torch
import torchvision
from torchvision.models import ResNet50_Weightsmodel=torchvision.models.resnet50(weights=ResNet50_Weights.IMAGENET1K_V2)
in_features=model.fc.in_features
model.fc=torch.nn.Linear(in_features,num_classes)
model.to(device)
criterion=torch.nn.CrossEntropyLoss()
optimizer=torch.optim.Adam(model.parameters(),lr=lr)for epoch in range(num_epochs):model.train()for iter,(inputs,labels) in enumerate(train_loader):inputs,labels=inputs.to(device),labels.to(device)optimizer.zero_grad()outputs=model(inputs)loss=criterion(outputs,labels)loss.backward()optimizer.step()print('Epoch[{}/{}],Iteration[{}/{}],Loss:{:.4f}'.format(epoch+1,num_epochs,iter+1,len(train_loader),loss.item()))swanlab.log({"train_loss":loss.item()})